先概括，再适应新地点
理解空间迁移的一个有用思路是：学习者先建立一个关于地点的、类似地图的通用概念——比如厨房通常有什么、房间如何布局——然后在进入新环境时调整这个概念。在一个机器人模型中，这一过程被形式化为分层贝叶斯过程：在先前环境中习得的空间概念成为先验知识，新环境中的观察则把这个先验更新为适合新地点的后验 [1]。该模型在一般地点（厨房）和一个独特地点（“艾玛的房间”）上都做了测试，它从图像和位置预测地点名称、从地点名称预测位置，都比传统方法更准确 [1]。
关键在于，迁移不是简单的复制。该模型把跨环境通用的部分与当前环境特有的部分区分开来，从而既能处理熟悉的地点，也能处理陌生的地点 [1]。这表明空间知识迁移涉及先验预期与新感官证据之间的平衡。
对齐不同视角和感官通道才是难点
当新情境涉及不同的传感器或数据类型时，迁移需要对齐表征。在高光谱图像分类中，一个自适应框架利用双向注意力动态对齐异构模态，并在潜在空间中强制跨视角一致性，这在少样本条件下很有帮助 [2]。同样，在基于脉冲的深度估计中，一个框架引入模拟的中间脉冲数据，并利用知识蒸馏把空间信息从 RGB 数据迁移到脉冲数据，同时用自校正的师生机制筛选可靠的伪标签，以缓解域偏移 [5]。这些机器学习示例表明，成功的跨模态迁移取决于显式地弥合模态之间的差距，而不是假定它们可以直接等价。
在多组学分类中，一个多视角知识迁移框架在不同组学模态之间自适应地迁移知识，识别信息更丰富的模态，并把知识从信息更丰富的模态蒸馏到信息较少的模态 [4]。虽然这一领域是生物学而非空间导航，但原理相似：通过动态加权哪个来源对目标最有信息量，迁移效果得到改善。
任务复杂度和认知风格会影响迁移效果
在人类技能学习中，跨训练模态的迁移取决于任务的复杂度和学习者的认知风格。一项针对医学生的随机研究发现，三种腹腔镜训练模态（虚拟现实、箱式训练器、严肃游戏）都提升了表现，但严肃游戏组向复杂任务的迁移有限，而虚拟现实训练带来的提升最大，尤其是在精细分离和施夹等复杂任务中 [3]。箱式训练器训练则显著降低了错误率 [3]。
认知风格也有影响：空间型学习者在所有模态中都优于其他认知风格，而言语型学习者只在虚拟现实组中显著提升 [3]。这表明迁移并不均匀——具有不同表象偏好的人从相同训练中获益不同，复杂任务可能需要与目标任务更接近的训练。
这对迁移空间知识意味着什么
综合这些例子，一个一致的规律是：当通用空间结构被捕捉并随后加以调整，且来源与目标之间的差距被显式管理时——无论是通过贝叶斯更新 [1]、动态对齐 [2]、蒸馏 [5] 还是自适应加权 [4]——迁移就能成功。那项人类研究还补充说，即使训练模态本身有效，个体差异和任务复杂度也可能限制或改变迁移 [3]。
这些证据来自特定情境下的模型和实验——机器人地点识别、图像分类、深度估计和手术模拟——因此具体机制可能因领域而异。不过，共同的主题是：空间知识迁移是一个主动的概括与适应过程，而不是被动的传递。
本文引用的文献
基于多模态信息实现空间概念知识迁移的分层贝叶斯模型
一个分层贝叶斯模型利用多模态信息，把空间概念从经历过的环境迁移到新环境，在从图像和位置预测地点名称、以及从地点名称预测位置方面优于传统方法。
面向少样本高光谱图像分类的自适应光谱-空间知识迁移
一个自适应光谱-空间迁移框架对齐异构模态并强制跨视角一致性，实现了最先进的少样本高光谱图像分类，并具备鲁棒性和域适应性。
比较三种腹腔镜训练模态下的技能迁移与认知风格效应：一项针对医学生的前瞻性随机研究
在腹腔镜训练中，虚拟现实、箱式训练器和严肃游戏三种模态都提升了表现，但严肃游戏向复杂任务的迁移有限；空间型学习者在所有模态中都优于其他认知风格，而言语型学习者只在虚拟现实中有所提升。
MVKTrans：面向鲁棒多组学分类的多视角知识迁移
一个多视角知识迁移框架通过识别信息更丰富的模态并从信息更丰富的模态蒸馏到信息较少的模态，自适应地迁移组学内和组学间的知识，提升了生物医学数据集上的分类性能和鲁棒性。
通过跨模态跨域知识迁移实现无监督脉冲深度估计
一个用于无监督脉冲深度估计的跨模态跨域框架利用模拟的中间脉冲数据、知识蒸馏和自校正师生机制，从 RGB 数据迁移空间信息，并在四种场景中达到最先进性能。